CN117077015A - 校准模型的训练方法及测量光谱的校准方法 - Google Patents
校准模型的训练方法及测量光谱的校准方法 Download PDFInfo
- Publication number
- CN117077015A CN117077015A CN202310946140.7A CN202310946140A CN117077015A CN 117077015 A CN117077015 A CN 117077015A CN 202310946140 A CN202310946140 A CN 202310946140A CN 117077015 A CN117077015 A CN 117077015A
- Authority
- CN
- China
- Prior art keywords
- measured
- spectrum
- samples
- measurement
- spectrums
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 351
- 238000012549 training Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000005259 measurement Methods 0.000 claims abstract description 152
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 230000003287 optical effect Effects 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000572 ellipsometry Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/21—Polarisation-affecting properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明提供一种校准模型的训练方法及测量光谱的校准方法，训练方法包括：基于目标量测设备分别采集各待测样品对应的多条第一测量光谱，基于参考量测设备分别采集各待测样品对应的多条第二测量光谱；基于各待测样品对应的多条第一测量光谱，分别计算得到各待测样品对应的第一穆勒光谱及多条归一化光谱；基于各待测样品对应的多条第二测量光谱，计算得到各待测样品对应的仿真光谱；基于各待测样品对应的仿真光谱、第一穆勒光谱及多条归一化光谱，构建训练数据集；及基于训练数据集对目标量测设备的校准模型进行训练，获得训练后的校准模型，训练后的校准模型用于对目标量测设备采集的待校准测量光谱校准；本发明利于提高测量光谱校准的精度、校准效率及校准稳定性。
Description
技术领域
本发明涉及半导体设备量测技术领域，具体地说，涉及一种校准模型的训练方法及测量光谱的校准方法。
背景技术
在半导体设备的量测领域，由于不同量测设备具有不同的系统参数，对于同一个样品，即使是同类型的不同量测设备获取的测量光谱也是不同的，导致会得到不同的量测结果。为了保持量测结果的一致性、量测设备的匹配(tool-to-tool matching)，需要对测量光谱进行校准，校准的目标是将不同量测设备获取的不同测量光谱校准成标准测量光谱。目前现有的测量光谱校准方法存在准确度偏低的问题，并且现有的校准方法一般是通过调用物理模型来拟合系数参数，非常耗时，也即校准效率低。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
针对现有技术中的问题，本发明的目的在于提供一种校准模型的训练方法及测量光谱的校准方法，利于提高测量光谱校准的精度、校准效率以及校准稳定性。
为实现上述目的，本发明提供了一种校准模型的训练方法，所述方法包括：
获取多个待测样品，基于目标量测设备分别采集各个所述待测样品对应的多条第一测量光谱，以及基于参考量测设备分别采集各个所述待测样品对应的多条第二测量光谱；
基于各个所述待测样品对应的多条所述第一测量光谱，分别计算得到各个所述待测样品对应的第一穆勒光谱及多条归一化光谱；
基于各个所述待测样品对应的多条所述第二测量光谱，分别计算得到各个所述待测样品对应的仿真光谱；
基于各个所述待测样品对应的所述仿真光谱、所述第一穆勒光谱以及多条所述归一化光谱，构建训练数据集；以及
基于所述训练数据集对所述目标量测设备的校准模型进行训练，获得训练后的校准模型，所述训练后的校准模型用于对所述目标量测设备采集的待校准测量光谱进行校准。
可选地，在所述训练数据集中，所述归一化光谱以及所述第一穆勒光谱为所述训练数据集的自变量，所述仿真光谱为所述训练数据集的因变量。
可选地，所述训练数据集还可以包括傅里叶系数光谱，所述自变量还包括所述傅里叶系数光谱；其中，基于各个所述待测样品对应的多条所述归一化光谱，分别计算得到各个所述待测样品对应的傅里叶系数光谱。
可选地，计算得到各个待测样品对应的仿真光谱，包括：
基于各个所述待测样品对应的多条所述第二测量光谱，分别计算得到各个所述待测样品对应的第二穆勒光谱；
基于各个所述待测样品对应的所述第二穆勒光谱，分别计算得到各个所述待测样品对应的待测参数；以及
基于各个所述待测样品对应的所述待测参数，计算得到各个所述待测样品对应的仿真光谱。
可选地，计算得到各个待测样品对应的多条归一化光谱，包括：
基于各个所述待测样品对应的多条所述第一测量光谱在每一波长条件下的测量光强值，分别获得各个所述待测样品在每一波长条件下的测量光强均值；
基于各个所述待测样品在每一波长条件下的所述测量光强均值，分别对各个所述待测样品对应的每条所述第一测量光谱进行归一化，得到各个所述待测样品对应的多条归一化光谱。
此外，任意一条所述归一化光谱在每一波长条件下的归一化光强值为该任意一条所述归一化光谱对应的所述第一测量光谱在该每一波长条件下的测量光强值和该任意一条所述归一化光谱对应的所述待测样品在该每一波长条件下的测量光强均值的比值。
可选地，计算得到各个样品对应的傅里叶系数光谱，包括：
获取所述目标量测设备中所有光学器件的物理模型；所述物理模型包括多个傅里叶系数；
基于所述物理模型，构建用于表征所述归一化光谱和所述傅里叶系数之间关联关系的归一化光谱表达式；
基于所述归一化光谱表达式和各个所述待测样品对应的多条归一化光谱，分别获取各个所述待测样品在每一波长条件下的傅里叶系数；
基于所有波长条件下的所述傅里叶系数，分别得到各个所述待测样品对应的所述傅里叶系数光谱。
可选地，所述校准模型为神经网络模型、支持向量机回归模型、高斯过程回归模型或者线性回归模型中的至少一者。
本发明还提供了一种测量光谱的校准方法，所述校准方法包括步骤：
基于目标量测设备采集得到实测样品对应的多条待校准测量光谱；
基于多条所述待校准测量光谱，分别计算得到所述实测样品对应的穆勒光谱及多条归一化光谱；
将所述实测样品对应的穆勒光谱及所述实测样品对应的多条归一化光谱作为训练过的校准模型的输入数据，所述训练过的校准模型输出所述实测样品对应的标准测量光谱；所述训练过的校准模型经上述任一训练方法训练得到。
可选地，所述输入数据还包括实测样品对应的傅里叶系数光谱；
其中，基于所述实测样品对应的多条归一化光谱，计算得到所述实测样品对应的傅里叶系数光谱。
本发明与现有技术相比，具有以下优点及突出性效果：
本发明提供的校准模型的训练方法及测量光谱的校准方法基于目标量测设备和参考量测设备分别采集得到的测量光谱，计算得到归一化光谱、第一穆勒光谱及仿真光谱，或者计算得到归一化光谱、傅里叶系数光谱、第一穆勒光谱及仿真光谱，构建训练数据集，对校准模型进行训练，实现基于机器学习方法获取模型对测量光谱进行校准，保证了模型训练输入数据的特征丰富性，得到的校准模型更准确，从而有利于提高测量光谱校准的精度、校准效率以及校准稳定性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
图1为本发明一实施例公开的一种校准模型的训练方法的流程示意图；
图2为本发明一实施例公开的一种校准模型的训练方法中步骤S120的流程示意图；
图3为本发明一实施例公开的一种校准模型的训练方法中步骤S130的流程示意图；
图4为本发明一实施例公开的校准模型训练前和训练后对应的光谱均方误差的效果对比示意图；
图5为本发明另一实施例公开的一种校准模型的训练方法的流程示意图；
图6为本发明另一实施例公开的校准模型训练前和训练后对应的光谱均方误差的效果对比示意图；
图7为本发明另一实施例公开的一种校准模型的训练方法中步骤S120的流程示意图；
图8为本发明另一实施例还公开了一种测量光谱的校准方法的流程示意图；
图9为本发明一实施例公开的一种校准模型的训练系统的结构示意图；
图10为本发明一实施例公开的一种校准模型的训练设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式。相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
如图1所示，本发明一实施例公开了一种校准模型的训练方法，该方法包括以下步骤：
S110，获取多个待测样品，基于目标量测设备分别采集各个待测样品对应的N条第一测量光谱，以及基于参考量测设备分别采集上述各个待测样品对应的N条第二测量光谱。具体而言，本实施例中，于N个不同时刻下分别采集得到关于一待测样品的N条第一测量光谱和N条第二测量光谱。其中，N为大于1的正整数。并且，本实施例对多个待测样品分别进行采集，也即每一待测样品均可以测量得到上述N条第一测量光谱和N条第二测量光谱。具体实施时上述待测样品的数量足够多，以得到足够数量的训练校准模型的输入数据，从而保证良好的训练效果。
此外，“N条”仅为示例性说明，并不限定各个待测样品对应的第一测量光谱的数量必须相同，也不限定各个待测样品对应的第二测量光谱的数量必须相同。比如，以第一测量光谱的情况为例，一个待测样品对应第一数量的第一测量光谱，另一个待测样品可以对应其他数量的第一测量光谱；即上述步骤中，基于目标量测设备分别采集各个待测样品对应的多条第一测量光谱，基于参考量测设备分别采集各个待测样品对应的多条第二测量光谱。同样的，本发明下文各实施例/步骤中涉及的“N条”也为示例性说明。
其中，上述参考量测设备优选工况良好，测量稳定的量测设备。在一些优选实施例中，上述待测样品为标片，也即表面设置有指定厚度薄膜的晶圆。多个待测样品可以分别是薄膜厚度不同的标片，比如薄膜厚度分别为1nm、10nm、100nm、1000nm以及10000nm的标片。待测样品也可以是已知形貌参数的其他样品。
S120，基于各个待测样品对应的N条上述第一测量光谱，分别计算得到上述各个待测样品对应的第一穆勒光谱及N条归一化光谱。其中，“N条”为示例性说明，该步骤中，基于各个待测样品对应的多条上述第一测量光谱，分别计算得到上述各个待测样品对应的第一穆勒光谱及多条归一化光谱。下文中同样以“N条”示例性说明。如图2所示，本实施例中，上述步骤S120包括：
S121，基于各个待测样品对应的N条上述第一测量光谱，计算得到上述各个待测样品对应的第一穆勒光谱。也即，基于N条上述第一测量光谱，可以计算得到一条第一穆勒光谱，即每一个待测样品对应一条第一穆勒光谱。其中，基于第一测量光谱计算得到第一穆勒光谱的具体过程可参考现有技术实现，本实施例不再赘述。
S122，基于各个待测样品对应的N条上述第一测量光谱在每一波长条件下的测量光强值，分别获得各个待测样品在每一波长条件下的测量光强均值。
以及S123，基于上述各个待测样品在每一波长条件下的测量光强均值，分别对各个待测样品的每条上述第一测量光谱进行归一化，得到各个待测样品对应的N条归一化光谱。其中，对第一测量光谱进行归一化可以使得归一化光谱和穆勒光谱的量级一致，从而使得校准模型训练的结果更加准确。
具体而言，每一个第一测量光谱包括M个波长以及每一波长条件下的测量光强值，M为正整数。对于任一待测样品，由该任一待测样品对应的N条上述第一测量光谱，可在不同时刻下(N个时刻)分别得到任一波长条件下的测量光强值，基于在不同时刻下上述任一波长条件下的测量光强值，可以获得该任一波长条件下的测量光强均值，该任一波长条件下的测量光强均值也即为该任一波长条件下在N个时刻对应的测量光强值之和与N的比值。遍历M个波长，可分别得到每一波长条件下的测量光强均值。遍历所有待测样品，即可分别得到各个待测样品在每一波长条件下的测量光强均值。
该实施例中，对于任一待测样品，基于该任一待测样品在每一波长条件下的上述测量光强均值，分别对该任一待测样品对应的N条第一测量光谱的每一条进行归一化，得到N条归一化光谱。其中，任意一条归一化光谱在任一波长条件下的归一化光强值为该任意一条归一化光谱对应的第一测量光谱在该任一波长条件下的测量光强值与该任一波长条件下的测量光强均值的比值。遍历所有待测样品，即可分别得到各个待测样品对应的N条归一化光谱。
示例性地，对于任一待测样品，比如在第i个波长条件下，在时刻j的测量光强值用Ij(λi)表示，λi即表示第i个波长，Ij即表示第j个时刻的测量光强值。其中，j＝1,2…N，i＝1,2…M。波长λi对应的测量光强均值用Imean(λi)表示，则I1(λi)、…、IN(λi)为不同时刻下(N个时刻)波长λi条件下的测量光强值，也即N条第一测量光谱在波长λi条件下各自的测量光强值。归一化光强值的表达式为：/>表示第j条归一化光谱在波长λi条件下的归一化光强值为第j条测量光谱在波长λi条件下的测量光强值与波长λi条件下的测量光强均值的比值。
S130，基于各个待测样品对应的N条上述第二测量光谱，分别计算得到上述各个待测样品对应的仿真光谱。具体来说，如图3所示，本实施例中，上述步骤S130包括：
S131，基于各个待测样品对应的N条上述第二测量光谱，分别计算得到上述各个待测样品对应的一条第二穆勒光谱。其中，基于第二测量光谱计算得到第二穆勒光谱的具体过程可参考现有技术实现，本实施例不再赘述。
S132，基于上述第二穆勒光谱，分别计算得到上述各个待测样品对应的待测参数。其中待测参数与待测样品有关，比如可以是厚度、深度、侧壁角等中的至少一个。
以及S133，基于上述各个待测样品对应的待测参数，由光学建模算法，计算得到上述待测样品对应的仿真光谱。其中，每一待测样品对应一条第二穆勒光谱以及对应一条仿真光谱。上述光学建模算法基于上述参考量测设备确定，比如椭偏量测设备可以用FDTD(Finite-Difference Time-Domain，时域有限差分法)算法或者RCWA(Rigorous CoupledWave Analysis，严格耦合波分析理论)算法等，反射率光谱仪可以用传输矩阵算法或FFT(fast Fourier transform,快速傅立叶变换)算法等。本发明对此不作限制。
上述步骤S132中对于待测参数的计算方法可以采用回归方法或者库匹配方法，本发明对此亦不作限制。
S140，基于各个待测样品对应的上述仿真光谱、N条上述归一化光谱以及上述第一穆勒光谱，构建训练数据集。其中，训练数据集可以基于多个样品的量测数据构建，利于提高训练数据集的丰富性。训练数据集包括多组训练数据，一组训练数据包含目标量测设备的归一化光谱、第一穆勒光谱和参考量测设备的仿真光谱，同一组训练数据所包含的归一化光谱、第一穆勒光谱和仿真光谱针对同一测量目标，即一组训练数据包括同一待测样品对应的N条归一化光谱、一条第一穆勒光谱以及一条仿真光谱。上述归一化光谱以及上述第一穆勒光谱为上述训练数据集的自变量，上述仿真光谱为上述训练数据集的因变量，也即为标签数据。
以及S150，基于上述训练数据集对目标量测设备的校准模型进行训练，获得训练后的校准模型。此外，训练后的校准模型用于对目标量测设备采集的待校准测量光谱进行校准，其中，待校准测量光谱为目标量测设备测量采集的其他样品的测量光谱。具体来说，本发明实施例采用上述训练数据集，训练校准模型，经训练收敛后，使得校准模型的前向预测结果与仿真光谱的差异值小于预设阈值，此时，训练结束，训练后的校准模型输出的结果即为标准测量光谱。其中，上述差异值可以表示为均方误差、平均绝对误差等，本发明对此不作限制。此外，上述实施例中步骤S110、S120、S130、S140以及S150并不对实施顺序作出限制；同样的，步骤S121、S122以及S123，步骤S131、S132以及S133也不对实施顺序作出限制。
通过比较训练前的目标量测设备的穆勒光谱和参考量测设备的仿真光谱的差异，以及训练后的前向预测结果和仿真光谱的差异，可以对比观察训练效果。
示例性地，参考图4，横轴代表不同样品，横轴坐标代表第几个样品，纵轴是均方误差。曲线40表示训练前的目标量测设备的穆勒光谱和参考量测设备的仿真光谱的均方误差，曲线41表示训练后基于以上实施例的校准模型预测得到的前向预测结果和仿真光谱的均方误差。从图4可以看到校准模型的训练效果，均方误差变小，即校准准确度变高。而且，只要获取一次校准模型，就可以用于对于其他样品的测量光谱的校准，使得获取标准测量光谱的时间大大减小。
在训练过程中，增加归一化光谱的数据对于训练机器学习模型的好处是丰富了输入数据的特征，提高了校准准确度。具体而言，量测设备有很多系统参数，上述系统参数为量测设备中光学器件的参数，比如为偏振片的初始偏振角或者转动角频率等，光学器件是量测设备的组成部分。其中，归一化光谱跟第一系统参数集合{a1,…,an}有关，穆勒光谱是基于归一化光谱、归一化光谱的计算公式和穆勒光谱的计算公式处理得到的结果，其中归一化光谱的计算公式和穆勒光谱的计算公式使用了第二、第三系统参数集合的并集{b1,…,bm,c1,…,ck}，因此穆勒光谱跟第一、第二、第三系统参数集合的并集{a1,…,an，b1,…,bm，c1,…,ck}有关。
如果只是基于穆勒光谱来训练校准模型，第一、第二、第三系统参数集合里的系统参数可能会发生耦合，训练的结果无法求解出每个系统参数，而训练数据集中加入归一化光谱和穆勒光谱之后，由于归一化光谱跟第一系统参数集合{a1,…,an}有关，所以第一系统参数集合{a1,…,an}可以在训练过程中得到；此外，由于穆勒光谱跟第一、第二、第三系统参数集合的并集有关而且第一系统参数集合在训练过程中得到，所以第二、第三系统参数集合的并集{b1,…,bm,c1,…,ck}也可以在训练过程中得到。这个校准模型不仅丰富了输入数据的特征，而且解耦了第一系统参数集合和第二、第三系统参数集合的并集，使得校准模型更准确，实现了对量测设备更准确的校准。
示例性地，上述校准模型可以为神经网络模型、支持向量机回归模型、高斯过程回归模型或者线性回归模型中的至少一者。本发明不以此为限。
在本申请的另一实施例中，公开了另一种校准模型的训练方法。如图5所示，该方法在上述图2对应实施例的基础上，上述步骤S120替换为步骤S124：
基于各个待测样品对应的N条所述第一测量光谱，分别计算得到各个所述待测样品对应的第一穆勒光谱及N多条归一化光谱；以及基于各个待测样品对应的N条上述归一化光谱，计算得到上述各个待测样品对应的傅里叶系数光谱。
步骤S140替换为步骤S141：
基于各个待测样品对应的上述仿真光谱、N条上述归一化光谱、上述傅里叶系数光谱以及上述第一穆勒光谱，构建训练数据集。其中，在该训练数据集中，包括多组训练数据，每一组训练数据包含目标量测设备的归一化光谱、上述傅里叶系数光谱、第一穆勒光谱和参考量测设备的仿真光谱，同一组训练数据所包含的归一化光谱、第一穆勒光谱和仿真光谱针对同一测量目标，即一组训练数据包括同一待测样品对应的N条归一化光谱、一条傅里叶系数光谱、一条第一穆勒光谱以及一条仿真光谱。上述归一化光谱、上述傅里叶系数光谱以及第一穆勒光谱为上述训练数据集的自变量，上述仿真光谱为上述训练数据集的因变量，也即为标签数据。
本实施例中，在训练过程中输入数据不仅包括归一化光谱的数据，丰富了输入数据的特征，提高了校准准确度；而且输入数据还增加了傅里叶系数光谱的数据，进一步丰富了训练模型过程中输入数据的特征，而且用到了量测设备中光学器件的物理模型，进一步利于提高校准准确度，以及增强机器学习模型的稳定性。
具体来说，量测设备有很多系统参数，归一化光谱跟第一系统参数集合{a1,…,an}有关，傅里叶系数光谱是根据归一化光谱和归一化光谱的计算公式处理得到。其中归一化光谱的计算公式使用了第二系统参数集合{b1,…,bm}，所以傅里叶系数光谱跟第一、第二系统参数集合的并集{a1,…,an,b1,…,bm}有关。穆勒光谱是根据傅里叶系数光谱和穆勒光谱的计算公式处理得到。其中穆勒光谱的计算公式使用了第三系统参数集合{c1,…,ck}，所以穆勒光谱跟第一、第二、第三系统参数集合的并集{a1,…,an，b1,…,bm，c1,…,ck}有关。
如果只是基于穆勒光谱来训练校准模型，第一、第二、第三系统参数集合可能会发生耦合，将会导致训练的结果无法求解出每个系统参数。而训练数据集中加入归一化光谱、傅里叶系数光谱、穆勒光谱之后，由于归一化光谱跟第一系统参数集合{a1,…,an}有关，所以第一系统参数集合{a1,…,an}可以在训练过程中得到；此外，由于傅里叶系数光谱跟第一、第二系统参数集合的并集有关，而且第一系统参数集合{a1,…,an}在训练过程中得到，所以第二系统参数集合{b1,…,bm}也可以在训练过程中得到；另外，由于穆勒光谱跟第一、第二、第三系统参数集合的并集有关，而且第一、第二系统参数集合在训练过程中得到，所以第三系统参数集合{c1,…,ck}也可以在训练过程中得到。
因此，本实施例校准模型的训练过程进一步丰富了输入数据的特征，而且解耦了第一、第二、第三系统参数集合，使得校准模型更准确，实现了对量测设备更准确的校准。
示例性地，参考图6，横轴代表不同样品，横轴坐标代表第几个样品，纵轴是均方误差。曲线60表示训练前的目标量测设备的穆勒光谱和参考量测设备的仿真光谱的均方误差，曲线61表示训练后基于以上实施例的校准模型预测得到的前向预测结果和仿真光谱的均方误差。从图6可以看到校准模型的训练效果，均方误差变小，即校准准确度变高。
在一些可选实施例中，在上述图5对应实施例的基础上，如图7所示，步骤S124在包括上述步骤S121、步骤S122以及步骤S123的基础上，还包括步骤：
S1241，获取上述目标量测设备中所有光学器件的物理模型。上述物理模型中包括多个傅里叶系数。
S1242，基于上述物理模型，构建用于表征上述归一化光谱和上述傅里叶系数之间关联关系的归一化光谱表达式。
S1243，基于上述归一化光谱表达式和各个待测样品对应的N条上述归一化光谱，分别获取各个待测样品在每一波长条件下的傅里叶系数。也即对N条归一化光谱分别进行傅里叶分析。
S1244，基于所有波长条件下的上述傅里叶系数，分别得到各个待测样品对应的傅里叶系数光谱。
具体而言，整个目标量测设备的物理模型是目标量测设备里面各个光学器件的物理模型的乘积。示例性地，比如量测设备中偏振片的物理模型可以用琼斯矩阵表示。步骤S1242中基于目标量测设备的物理模型构建得到归一化光谱表达式。步骤S1241、S1242、S1243以及S1244不对实施顺序作出限制。
本实施例中，以椭偏量测设备为例，归一化光谱表达式表示为其中j＝1,2…N，N≥2K+1。上述表达式中，Sj,normal(λi)表示tj-1时刻到tj时刻的归一化光强值的积分。t0,t1,…,tN是测量时刻，e0,e1,…,eK,f1,…,fK是物理模型的傅里叶系数，w是椭偏量测设备中的补偿器的转动角频率。其中，上述K是根据目标量测设备的物理模型确定的。比如，对于全穆勒矩阵椭偏仪，N取值至少为25，K取值至少为12。
具体实施时，对于任一待测样品，基于该任一待测样品对应的N条归一化光谱，构建上述N个归一化光谱表达式，联立形成方程组，即可计算得到每一个波长条件下的(2K+1)个傅里叶系数。然后在M个波长条件下分别计算，即可得到所有波长条件下的傅里叶系数，即可得到对应的M*(2K+1)个傅里叶系数，形成傅里叶系数光谱，也即傅里叶系数光谱中傅里叶系数的数量是M*(2K+1)个。遍历所有待测样品，即可得到各个待测样品对应的傅里叶系数光谱。
量测时的物理过程如下：1)入射光经过一系列光学器件到达待测样品，然后经待测样品反射后再经过一系列光学器件得到反射光/测量光谱；基于所有光学器件的物理模型进行建模，得到测量光谱，处理后得到归一化光谱。2)对于同一波长的N个归一化光强值，通过解线性方程组可以得到该同一波长条件下的傅里叶系数。3)遍历所有波长，得到N条归一化光谱对应的一条傅里叶系数光谱。4)遍历所有样品，得到所有样品各自对应的傅里叶系数光谱。对于其他光学量测设备，获取相应的物理模型后，重复上述计算过程即可。
需要说明的是，本申请中公开的上述所有实施例可以进行自由组合，组合后得到的技术方案也在本申请的保护范围之内。
现有技术采用物理模型对测量光谱进行校准，准确度不高，对于每个样品的测量光谱都需要单独调用物理模型进行校准，非常耗时；而本发明上述实施例提出的校准模型的训练方法，由于训练数据集包含了目标量测设备多个维度的系统参数-即丰富了训练数据集的数据特征，使得训练后校准模型更准确，能够直接用于对目标量测设备测量获取的其他样品的测量光谱(也即待校准测量光谱)进行校准，提高了校准的精度、校准效率和校准稳定性。
如图8所示，本发明另一实施例还公开了一种测量光谱的校准方法。其中，参照上述一种校准模型的训练方法的实施例，该实施例中“N条”也为示例性说明。该校准方法包括步骤：
S210，基于目标量测设备采集得到实测样品对应的N条待校准测量光谱。其中，N为大于1的正整数。“N条”并不限定待校准测量光谱的数量必须与第一测量光谱的数量相同，仅为示例性说明，该步骤中得到多条待校准测量光谱。
S220，基于N条待校准测量光谱，分别计算得到上述实测样品对应的穆勒光谱及N条归一化光谱。同样的，该步骤中基于多条待校准测量光谱，得到实测样品对应的穆勒光谱及多条归一化光谱。
S230，将实测样品对应的穆勒光谱及实测样品对应的N条归一化光谱作为训练过的校准模型的输入数据，计算得到上述实测样品对应的标准测量光谱。即训练过的校准模型的输出数据为该标准测量光谱，该标准测量光谱即为校准后的测量光谱。其中，上述训练过的校准模型经上述任一实施例公开的校准模型的训练方法训练得到。步骤S210、S220以及S230不对实施顺序作出限制。
相比现有技术对每个样品的测量光谱进行校准时，需要分别调用物理模型来拟合，非常耗时。而采用以上实施例提供的测量光谱的校准方法，在得到训练过的校准模型后，能够快速对每个样品的测量光谱进行校准，并且校准后得到的标准测量光谱精度高，该校准方法更稳定。
可选择地，还可以将实测样品对应的穆勒光谱、实测样品对应的N条归一化光谱以及实测样品对应的傅里叶系数光谱作为训练过的校准模型的输入数据，计算得到上述实测样品对应的标准测量光谱。并且，基于所述实测样品对应的N条归一化光谱，计算得到所述实测样品对应的傅里叶系数光谱，具体的计算过程参照校准模型的训练方法实施例。以上实施例中，实测样品与待测样品不同。
如图9所示，本发明另一实施例还公开了一种校准模型的训练系统7，该系统包括：
测量光谱采集模块71，基于目标量测设备分别采集各个待测样品的N条第一测量光谱，以及基于参考量测设备分别采集上述各个待测样品的N条第二测量光谱。
测量光谱分析模块72，基于各个待测样品对应的N条上述第一测量光谱，分别计算得到上述各个待测样品对应的第一穆勒光谱以及N条归一化光谱。
仿真光谱计算模块73，基于各个待测样品对应的N条上述第二测量光谱，计算得到上述各个待测样品对应的仿真光谱。
训练数据集构建模块74，基于各个待测样品对应的上述仿真光谱、N条上述归一化光谱以及上述第一穆勒光谱，构建训练数据集。以及
校准模型训练模块75，基于上述训练数据集对校准模型进行训练，获得训练后的校准模型。
可以理解的是，本发明的校准模型的训练系统还包括其他支持校准模型的训练系统运行的现有功能模块。图9显示的校准模型的训练系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
本实施例中的校准模型的训练系统用于实现上述的校准模型的训练的方法，因此对于校准模型的训练系统的具体实施步骤可以参照上述对校准模型的训练的方法的描述，此处不再赘述。
本发明一实施例还公开了一种校准模型的训练设备，包括处理器和存储器，其中存储器存储有所述处理器的可执行程序；处理器配置为经由执行可执行程序来执行上述校准模型的训练方法中的步骤。图10是本发明公开的校准模型的训练设备的结构示意图。下面参照图10来描述根据本发明的这种实施方式的电子设备600。图10显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述校准模型的训练方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明还公开了一种计算机可读存储介质，用于存储程序，所述程序被执行时实现上述校准模型的训练方法中的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述校准模型的训练方法中描述的根据本发明各种示例性实施方式的步骤。
如上所示，该实施例的计算机可读存储介质的程序在执行时，基于目标量测设备和参考量测设备分别采集得到的测量光谱，计算得到归一化光谱、第一穆勒光谱及仿真光谱，构建训练数据集，或者，计算得到归一化光谱、傅里叶系数光谱、第一穆勒光谱及仿真光谱，构建训练数据集，对校准模型进行训练，实现基于机器学习方法获取模型对测量光谱进行校准，保证了模型训练输入数据的特征丰富性，得到更为准确的校准模型，利于提高测量光谱校准的精度、校准效率以及校准稳定性。
本发明一实施例公开了一种计算机可读存储介质。该存储介质是实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例提供的校准模型的训练方法及测量光谱的校准方法基于目标量测设备和参考量测设备分别采集得到的测量光谱，计算得到归一化光谱、第一穆勒光谱及仿真光谱，构建训练数据集，或者，计算得到归一化光谱、傅里叶系数光谱、第一穆勒光谱及仿真光谱，构建训练数据集，对校准模型进行训练，实现基于机器学习方法获取模型对测量光谱进行校准，保证了模型训练输入数据的特征丰富性，得到更为准确的校准模型，利于提高测量光谱校准的精度、校准效率以及校准稳定性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种校准模型的训练方法，其特征在于，包括：
获取多个待测样品，基于目标量测设备分别采集各个所述待测样品对应的多条第一测量光谱，以及基于参考量测设备分别采集各个所述待测样品对应的多条第二测量光谱；
基于各个所述待测样品对应的多条所述第一测量光谱，分别计算得到各个所述待测样品对应的第一穆勒光谱及多条归一化光谱；
基于各个所述待测样品对应的多条所述第二测量光谱，分别计算得到各个所述待测样品对应的仿真光谱；
基于各个所述待测样品对应的所述仿真光谱、所述第一穆勒光谱以及多条所述归一化光谱，构建训练数据集；以及
基于所述训练数据集对所述目标量测设备的校准模型进行训练，获得训练后的校准模型，所述训练后的校准模型用于对所述目标量测设备采集的待校准测量光谱进行校准。
2.如权利要求1所述的训练方法，其特征在于，在所述训练数据集中，所述归一化光谱以及所述第一穆勒光谱为所述训练数据集的自变量，所述仿真光谱为所述训练数据集的因变量。
3.如权利要求2所述的训练方法，其特征在于，所述训练数据集还包括傅里叶系数光谱，所述自变量还包括所述傅里叶系数光谱；
其中，基于各个所述待测样品对应的多条所述归一化光谱，分别计算得到各个所述待测样品对应的傅里叶系数光谱。
4.如权利要求1所述的训练方法，其特征在于，还包括：
基于各个所述待测样品对应的多条所述第二测量光谱，分别计算得到各个所述待测样品对应的第二穆勒光谱；
基于各个所述待测样品对应的所述第二穆勒光谱，分别计算得到各个所述待测样品对应的待测参数；以及
基于各个所述待测样品对应的所述待测参数，计算得到各个所述待测样品对应的仿真光谱。
5.如权利要求1所述的训练方法，其特征在于，还包括：
基于各个所述待测样品对应的多条所述第一测量光谱在每一波长条件下的测量光强值，分别获得各个所述待测样品在每一波长条件下的测量光强均值；
基于各个所述待测样品在每一波长条件下的所述测量光强均值，分别对各个所述待测样品对应的每条所述第一测量光谱进行归一化，得到各个所述待测样品对应的多条归一化光谱。
6.如权利要求5所述的训练方法，其特征在于，任意一条所述归一化光谱在每一波长条件下的归一化光强值为该任意一条所述归一化光谱对应的所述第一测量光谱在该每一波长条件下的测量光强值和该任意一条所述归一化光谱对应的所述待测样品在该每一波长条件下的测量光强均值的比值。
7.如权利要求3所述的训练方法，其特征在于，还包括：
获取所述目标量测设备中所有光学器件的物理模型；所述物理模型包括多个傅里叶系数；
基于所述物理模型，构建用于表征所述归一化光谱和所述傅里叶系数之间关联关系的归一化光谱表达式；
基于所述归一化光谱表达式和各个所述待测样品对应的多条归一化光谱，分别获取各个所述待测样品在每一波长条件下的傅里叶系数；
基于所有波长条件下的所述傅里叶系数，分别得到各个所述待测样品对应的所述傅里叶系数光谱。
8.如权利要求1所述的训练方法，其特征在于，所述校准模型为神经网络模型、支持向量机回归模型、高斯过程回归模型或者线性回归模型中的至少一者。
9.一种测量光谱的校准方法，其特征在于，所述校准方法包括：
基于目标量测设备采集得到实测样品对应的多条待校准测量光谱；
基于多条所述待校准测量光谱，分别计算得到所述实测样品对应的穆勒光谱及多条归一化光谱；
将所述实测样品对应的穆勒光谱及所述实测样品对应的多条归一化光谱作为训练过的校准模型的输入数据，所述训练过的校准模型输出所述实测样品对应的标准测量光谱；所述训练过的校准模型经权利要求1-8任一项所述的训练方法训练得到。
10.如权利要求9所述的方法，其特征在于，还包括：
所述输入数据还包括实测样品对应的傅里叶系数光谱；
其中，基于所述实测样品对应的多条归一化光谱，计算得到所述实测样品对应的傅里叶系数光谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946140.7A CN117077015A (zh) | 2023-07-28 | 2023-07-28 | 校准模型的训练方法及测量光谱的校准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946140.7A CN117077015A (zh) | 2023-07-28 | 2023-07-28 | 校准模型的训练方法及测量光谱的校准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117077015A true CN117077015A (zh) | 2023-11-17 |
Family
ID=88708905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310946140.7A Pending CN117077015A (zh) | 2023-07-28 | 2023-07-28 | 校准模型的训练方法及测量光谱的校准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077015A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117450929A (zh) * | 2023-12-26 | 2024-01-26 | 睿励科学仪器（上海）有限公司 | 光学量测系统、光学量测方法及存储介质 |
-
2023
- 2023-07-28 CN CN202310946140.7A patent/CN117077015A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117450929A (zh) * | 2023-12-26 | 2024-01-26 | 睿励科学仪器（上海）有限公司 | 光学量测系统、光学量测方法及存储介质 |
| CN117450929B (zh) * | 2023-12-26 | 2024-03-22 | 睿励科学仪器（上海）有限公司 | 光学量测系统、光学量测方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102013483B1 (ko) | 파라미터 추적을 위한 계측 시스템 최적화 | |
| TWI760309B (zh) | 用於校正計量工具之系統、方法及計算機程式產品 | |
| US10502549B2 (en) | Model-based single parameter measurement | |
| KR102254033B1 (ko) | 광학 측정 방법 및 광학 측정 시스템 | |
| US8670948B2 (en) | Numerical aperture integration for optical critical dimension (OCD) metrology | |
| JP6861211B2 (ja) | 効率的な計測のために信号を高速自動判定するシステム、方法、およびコンピュータプログラム製品 | |
| TW201633419A (zh) | 分析及利用景觀 | |
| TW201702775A (zh) | 以模型為基礎之熱點監測 | |
| CN117077015A (zh) | 校准模型的训练方法及测量光谱的校准方法 | |
| US7973930B2 (en) | Spectroscopic ellipsometer | |
| JP7412559B2 (ja) | 確率的ドメイン知識に基づく計測レシピ最適化及び物理的実現 | |
| KR20140130423A (ko) | 최적화된 산란계측을 위한 기술들 | |
| CN102947732A (zh) | 通过迭代的空间谐波阶次截断的计算效率 | |
| CN106471353A (zh) | 用于光学计量的高度相关参数的相关性的动态移除 | |
| US11530913B2 (en) | Methods and systems for determining quality of semiconductor measurements | |
| US20220114438A1 (en) | Dynamic Control Of Machine Learning Based Measurement Recipe Optimization | |
| Kajiyama et al. | Performance prediction of ocean color Monte Carlo simulations using multi-layer perceptron neural networks | |
| KR100851417B1 (ko) | 산란 시그니처를 이용한 개선된 구조 식별 | |
| US10345095B1 (en) | Model based measurement systems with improved electromagnetic solver performance | |
| CN116858785A (zh) | 土壤镍浓度反演方法、装置、存储介质和计算机设备 | |
| US10393647B1 (en) | System, method, and computer program product for automatically determining a parameter causing an abnormal semiconductor metrology measurement | |
| Sun et al. | Visible-NIR spectroscopy and least square support vector machines regression for determination of vitamin C of mandarin fruit | |
| US20240111256A1 (en) | Composite data for device metrology | |
| Germer et al. | A traceable scatterometry measurement of a silicon line grating | |
| US20240186191A1 (en) | Measurements Of Semiconductor Structures Based On Spectral Differences At Different Process Steps |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |